diff --git a/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/ESGF_EXERCISES.md b/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/ESGF_EXERCISES.md
deleted file mode 100644
index c65e10bb1..000000000
--- a/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/ESGF_EXERCISES.md
+++ /dev/null
@@ -1,263 +0,0 @@
-# ESGF QC Trading - Exercices Progressifs
-
-**Cours** : Trading Algorithmique avec QuantConnect
-**Mastere** : ESGF Big Data & Data Science en Finance
-**Prerequis** : Compte QuantConnect gratuit, notebooks QC-Py-01 a QC-Py-04 completes
-**Sponsoring** : Jared Broad (CEO QuantConnect) - organisation "Trading Firm ESGF"
-
----
-
-## Module 1 : Bases du Trading Algorithmique
-
-### Exercice 1.1 : Mon premier backtest EMA Crossover
-
-**Niveau** : Debutant | **Duree** : 45 min | **Ref** : QC-Py-02, EMA-Cross-Stocks
-
-**Objectif** : Creer un algorithme de trading base sur le croisement de deux moyennes mobiles exponentielles (EMA).
-
-**Enonce** :
-
-1. Creer un nouveau projet Python dans QuantConnect Lab
-2. Implementer un algorithme avec :
-   - Actif : SPY (S&P 500 ETF)
-   - Resolution : Daily
-   - EMA rapide : 12 periodes
-   - EMA lente : 26 periodes
-   - Signal achat : EMA rapide croise au-dessus de l'EMA lente
-   - Signal vente : EMA rapide croise en-dessous de l'EMA lente
-3. Backtester sur la periode 2018-01-01 a 2024-12-31
-4. Comparer avec un Buy & Hold sur SPY
-
-**Questions** :
-
-- Quel est le Sharpe ratio obtenu ? Est-il superieur a SPY Buy & Hold ?
-- Combien de trades ont ete executes ? Quel est le win rate ?
-- Modifier les periodes EMA (essayer 20/50 et 50/200). Quel impact sur les resultats ?
-
-**Indices** :
-- Utiliser `self.ema(symbol, period, Resolution.DAILY)` pour creer les indicateurs
-- Le crossover se detecte en comparant `ema_fast.current.value` et `ema_slow.current.value`
-- Ne pas oublier `self.set_warm_up(period_lente, Resolution.DAILY)`
-
----
-
-### Exercice 1.2 : Portfolio All-Weather simplifie
-
-**Niveau** : Debutant | **Duree** : 60 min | **Ref** : QC-Py-08, AllWeather
-
-**Objectif** : Construire un portfolio multi-actifs inspire de Ray Dalio avec rebalancement periodique.
-
-**Enonce** :
-
-1. Creer un algorithme avec l'allocation "All-Weather" classique de Ray Dalio :
-   - SPY (actions) : 30%
-   - TLT (obligations long terme) : 40%
-   - IEF (obligations intermediaires) : 15%
-   - GLD (or) : 7.5%
-   - DBC (matieres premieres) : 7.5%
-
-   *Note : cette allocation classique differe de la version optimisee v5.0 dans `projects/AllWeather/` qui utilise SPY/IEF/GLD/XLP. L'exercice utilise intentionnellement l'allocation originale Dalio pour sa valeur pedagogique.*
-2. Implementer un rebalancement trimestriel (tous les 3 mois)
-3. Backtester sur 2015-01-01 a 2024-12-31
-4. Calculer et afficher les metriques de performance
-
-**Questions** :
-
-- Quel est le MaxDD du portfolio ? Comment se compare-t-il a SPY seul pendant COVID (mars 2020) ?
-- Le portfolio est-il plus stable que SPY en termes de volatilite annualisee ?
-- Tester un rebalancement mensuel vs trimestriel. Quelle difference ?
-
-**Indices** :
-- Utiliser `self.schedule.on()` avec `self.date_rules.month_start()` pour le rebalancement
-- `self.set_holdings(symbol, weight)` gere automatiquement les ordres
-
----
-
-## Module 2 : Strategies Momentum
-
-### Exercice 2.1 : Rotation sectorielle par momentum
-
-**Niveau** : Intermediaire | **Duree** : 75 min | **Ref** : QC-Py-05, QC-Py-13, SectorMomentum
-
-**Objectif** : Implementer une strategie de rotation sectorielle basee sur le momentum (rendement passe).
-
-**Enonce** :
-
-1. Definir un univers de 11 ETFs sectoriels :
-   ```
-   XLK, XLV, XLF, XLE, XLI, XLY, XLP, XLU, XLB, XLRE, XLC
-   ```
-2. A chaque rebalancement mensuel :
-   - Calculer le rendement sur 3 mois (momentum lookback) de chaque ETF
-   - Selectionner les 3 meilleurs (top-N)
-   - Allouer en equal-weight parmi les selectionnes
-   - Ajouter un filtre regime : SPY doit etre au-dessus de sa SMA200 pour investir
-3. Si SPY < SMA200 : aller en cash (liquidation)
-4. Backtester sur 2015-01-01 a 2024-12-31
-
-**Questions** :
-
-- Quel impact a le filtre SMA200 sur le MaxDD en 2022 (bear market) ?
-- Tester top-2, top-3, top-5. Quel est le meilleur compromis rendement/risque ?
-- Tester des lookback de 1, 3, 6, 12 mois. Lequel donne le meilleur Sharpe ?
-
-**Indices** :
-- `self.history(symbols, lookback_days, Resolution.DAILY)` pour les donnees historiques
-- Calculer le rendement comme `(prix_actuel / prix_debut) - 1`
-- Utiliser `sorted(zip(returns, symbols), reverse=True)[:top_n]` pour le classement
-
----
-
-### Exercice 2.2 : Trend-following multi-sectoriel
-
-**Niveau** : Intermediaire | **Duree** : 60 min | **Ref** : QC-Py-11, TrendStocksLite
-
-**Objectif** : Implementer une strategie trend-following avec filtre de tendance double (SMA + EMA crossover).
-
-**Enonce** :
-
-1. Univers : 15 large-caps diversifiees (voir `projects/TrendStocksLite/main.py`)
-2. Signal bullish par action :
-   - Prix > SMA(200)
-   - EMA(20) > EMA(50)
-3. Allocation equal-weight parmi les actions bullish uniquement
-4. Rebalancement hebdomadaire (chaque lundi)
-5. Comparer avec la version tech-only (5 actions AAPL, MSFT, GOOGL, AMZN, NVDA)
-
-**Questions** :
-
-- Combien d'actions sont en "uptrend" en moyenne ? Ce nombre varie-t-il entre bull et bear market ?
-- La diversification (15 vs 5 stocks) reduit-elle le drawdown ?
-- Quel serait l'impact d'un ATR trailing stop sur chaque position ?
-
----
-
-## Module 3 : Algorithm Framework QC
-
-### Exercice 3.1 : Alpha Model personnalise
-
-**Niveau** : Intermediaire-Avance | **Duree** : 90 min | **Ref** : QC-Py-13, QC-Py-14, EMA-Cross-Alpha
-
-**Objectif** : Refactorer la strategie EMA crossover en utilisant l'Algorithm Framework QC (Alpha + PCM + Execution + Risk models).
-
-**Enonce** :
-
-1. Creer une classe `EmaCrossAlphaModel(AlphaModel)` :
-   - `update(self, algorithm, data)` : generer des `Insight` Up/Down/Flat
-   - Signal Up quand EMA(20) croise au-dessus d'EMA(50)
-   - Signal Down quand EMA(20) croise en-dessous
-   - Duree d'insight : `timedelta(days=5)` (valide 5 jours)
-2. Utiliser les modeles standard QC :
-   - `EqualWeightingPortfolioConstructionModel()` pour l'allocation
-   - `ImmediateExecutionModel()` pour l'execution
-   - `MaximumDrawdownPercentPerSecurity(0.10)` pour le risk
-3. Univers : SPY, QQQ, IWM (3 ETFs indices)
-4. Backtester sur 2020-01-01 a 2024-12-31
-
-**Questions** :
-
-- Quel avantage offre l'Architecture Framework par rapport a une strategie monolithique ?
-- Remplacer `EqualWeightingPCM` par `MeanVarianceOptimizationPCM`. Impact ?
-- Ajouter un deuxieme Alpha Model (ex: RSI mean-reversion). Comment QC combine-t-il deux alphas ?
-
-**Indices** :
-- Heriter de `AlphaModel` et implementer `update()` et `on_securities_changed()`
-- Les Insights sont crees avec `Insight.price(symbol, timedelta, InsightDirection.Up)`
-- Le Framework combine automatiquement les insights de multiples Alpha Models
-
----
-
-## Module 4 : Strategies Avancees
-
-### Exercice 4.1 : Strategie composite multi-alpha
-
-**Niveau** : Avance | **Duree** : 120 min | **Ref** : QC-Py-15, Framework_Composite_EMATrend
-
-**Objectif** : Construire une strategie composite combinant plusieurs Alpha Models avec un Portfolio Construction Model personnalise.
-
-**Enonce** :
-
-1. Creer 3 Alpha Models :
-   - `TrendAlpha` : EMA crossover (signal directionnel)
-   - `MomentumAlpha` : Rendement 3 mois > 0 (filtre momentum)
-   - `RegimeAlpha` : SPY > SMA200 (filtre macro)
-2. Creer un `CompositeWeightingPCM(PortfolioConstructionModel)` :
-   - Assigner un poids a chaque alpha (ex: 40% trend, 40% momentum, 20% regime)
-   - Combiner les insights en un signal unique [-1, +1] par actif
-   - Normaliser les poids du portfolio pour que la somme = 1
-3. Univers : 5 ETFs sectoriels (XLK, XLV, XLF, XLE, XLI)
-4. Backtester sur 2015-01-01 a 2024-12-31 et comparer avec chaque alpha seul
-
-**Questions** :
-
-- La combinaison multi-alpha surpasse-t-elle chaque alpha individuel ?
-- Quel jeu de poids (40/40/20 vs 60/20/20 vs 33/33/33) donne le meilleur Sharpe ?
-- Ajouter une optimisation walk-forward des poids (re-optimiser chaque annee)
-
-**Indices** :
-- Heriter de `PortfolioConstructionModel` et implementer `create_targets()`
-- `insight.direction` vaut `InsightDirection.Up`, `Down` ou `Flat`
-- `PortfolioTarget(symbol, weight)` definit le poids cible
-
----
-
-### Exercice 4.2 : Detection de regime et adaptation
-
-**Niveau** : Avance | **Duree** : 90 min | **Ref** : RegimeSwitching, AdaptiveAssetAllocation
-
-**Objectif** : Implementer un detecteur de regime de marche qui adapte l'allocation dynamiquement.
-
-**Enonce** :
-
-1. Definir 3 regimes de marche bases sur la volatilite realisee de SPY :
-   - **Bull** : Vol 30j < 15% annualisee → allocation agressive (80% actions)
-   - **Normal** : Vol 30j entre 15-25% → allocation equilibree (50% actions, 50% bonds)
-   - **Bear** : Vol 30j > 25% → allocation defensive (20% actions, 80% bonds)
-2. Actifs : SPY (actions), TLT (obligations)
-3. Rebalancement : a chaque changement de regime (pas periodique)
-4. Backtester sur 2015-01-01 a 2024-12-31
-
-**Questions** :
-
-- Combien de changements de regime se produisent sur la periode ?
-- Le regime "Bear" detecte-t-il correctement COVID-2020 et l'inflation-2022 ?
-- Tester des seuils de volatilite differents (12/20, 15/25, 18/30). Impact ?
-- Ajouter un delai (confirmation 3 jours) avant de changer de regime. Effet sur les faux signaux ?
-
-**Indices** :
-- `self.history(spy, 30, Resolution.DAILY)['close'].pct_change().std() * np.sqrt(252)` pour la vol realisee
-- Stocker le regime courant dans `self.current_regime` pour detecter les changements
-- Ne rebalancer que quand `new_regime != self.current_regime`
-
----
-
-## Evaluation
-
-### Bareme suggere
-
-| Module | Exercice | Points | Competence evaluee |
-|--------|----------|--------|--------------------|
-| M1 | 1.1 EMA Crossover | 15 | Fondamentaux QC, backtesting |
-| M1 | 1.2 All-Weather | 15 | Multi-actifs, rebalancement |
-| M2 | 2.1 Rotation sectorielle | 20 | Universe selection, momentum |
-| M2 | 2.2 Trend-following | 15 | Indicateurs, filtres |
-| M3 | 3.1 Alpha Model | 20 | Algorithm Framework |
-| M4 | 4.1 ou 4.2 (au choix) | 15 | Strategie avancee |
-| **Total** | | **100** | |
-
-### Criteres de notation
-
-- **Code fonctionnel** (40%) : Le backtest s'execute sans erreur
-- **Analyse des resultats** (30%) : Reponses aux questions, interpretation des metriques
-- **Exploration** (20%) : Tests de variantes, optimisation des parametres
-- **Qualite du code** (10%) : Lisibilite, commentaires, structure
-
----
-
-## Ressources
-
-- **Notebooks de reference** : QC-Py-01 a QC-Py-15 (phases 1-4 du cours)
-- **Projets exemples** : `projects/` (56 projets avec research notebooks)
-- **Templates** : `ESGF-2026/templates/` (starter, intermediate, advanced)
-- **Documentation QC** : https://www.quantconnect.com/docs
-- **Organisation QC** : "Trading Firm ESGF" (ajout par le professeur)
diff --git a/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/UPLOAD_CHECKLIST.md b/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/UPLOAD_CHECKLIST.md
deleted file mode 100644
index 76d35c702..000000000
--- a/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/UPLOAD_CHECKLIST.md
+++ /dev/null
@@ -1,72 +0,0 @@
-# Checklist Upload Soutenance ESGF 2026
-
-**Deadline** : J-2 avant la soutenance (17 mai 2026, 23h59)
-
----
-
-## Checklist avant upload
-
-### Code
-
-- [ ] `main.py` compile sans erreur sur QuantConnect (BuildSuccess)
-- [ ] Parametres de la strategie clairement definis en debut de `initialize()`
-- [ ] Pas de hardcode de chemins locaux ou de credentials
-- [ ] Noms de variables clairs et descriptifs
-- [ ] `README.md` a la racine du projet avec :
-  - [ ] Description de la strategie (1 paragraphe)
-  - [ ] Liste des indicateurs utilises
-  - [ ] Parametres et leur justification
-  - [ ] Instructions pour lancer le backtest
-
-### Backtest
-
-- [ ] Backtest le plus recent avec periode >= 2 ans
-- [ ] Resultats visibles dans le projet (screenshot ou export)
-- [ ] Comparaison avec benchmark (SPY pour equities, BTC pour crypto)
-- [ ] Metriques cles : Sharpe, CAGR, MaxDD, Win Rate, # Trades
-
-### Presentation
-
-- [ ] `slides.md` (Slidev) dans le repertoire du projet
-- [ ] Graphiques d'equity curve inclus (PNG dans le meme dossier)
-- [ ] Tableau de metriques complete
-- [ ] Analyse des sous-periodes
-- [ ] Slide de conclusion avec points d'amelioration
-
-### Documentation
-
-- [ ] `requirements.txt` ou liste des dependances
-- [ ] Commentaires dans le code pour les decisions cle
-- [ ] Si utilisation de fichiers annexes (alpha.py, portfolio.py) : les documenter
-- [ ] Seed fixe pour la reproductibilite (si applicable)
-
----
-
-## Procedure d'upload
-
-1. Creer un repo dans l'org ESGF : `2026-ESGF-Soutenance-Equipe-XX`
-2. Pousser le code complet (main.py + README + slides + assets)
-3. Verifier que le repo est accessible par les evaluateurs
-4. Confirmer l'upload par email/canal du cours
-
-## Format du repo
-
-```
-2026-ESGF-Soutenance-Equipe-XX/
-├── main.py              # Strategie LEAN (obligatoire)
-├── README.md            # Documentation (obligatoire)
-├── slides.md            # Presentation Slidev (obligatoire)
-├── equity_curve.png     # Graphique P&L (obligatoire)
-├── research.ipynb       # Notebook de recherche (optionnel)
-├── alpha.py             # Module alpha separe (optionnel)
-└── requirements.txt     # Dependances (optionnel)
-```
-
----
-
-## Sanctions
-
-- **Retard** : -5 points par jour de retard
-- **Code non compilable** : 0/20 sur la partie Code
-- **Pas de backtest** : 0/30 sur la partie Backtest
-- **Pas de presentation Slidev** : -10 points sur la partie Presentation
diff --git a/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/email_template_notes.md b/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/email_template_notes.md
deleted file mode 100644
index e3986701c..000000000
--- a/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/email_template_notes.md
+++ /dev/null
@@ -1,39 +0,0 @@
-# Template Email Notification Notes ESGF 2026
-
-**Objet**: [ESGF] Notes finales — Projet QuantConnect 2025-2026
-
----
-
-Bonjour,
-
-Les notes finales du projet QuantConnect (module ESGF) sont disponibles.
-
-Votre groupe a obtenu la note de **[NOTE]/20**.
-
-## Barème
-- **50% Note enseignant** — Qualité technique du code, pertinence de la stratégie, backtest
-- **50% Évaluation par les pairs** — Présentation, clarté, questions/réponses
-
-## Détail de la notation
-| Critère | Note | Commentaire |
-|---------|------|-------------|
-| Code & stratégie | [X]/10 | [commentaire_enseignant] |
-| Backtest & résultats | [X]/10 | [commentaire_enseignant] |
-| Présentation | [X]/10 | [commentaire_pairs] |
-| Questions/Réponses | [X]/10 | [commentaire_pairs] |
-
-## Consultation
-Pour consulter le détail de votre note ou discuter de l'évaluation, vous pouvez prendre rendez-vous lors des permanances.
-
-Cordialement,
-L'équipe pédagogique ESGF
-
----
-
-**NOTES POUR L'ENSEIGNANT** :
-- Remplacer [NOTE] par la note du groupe
-- Remplacer les [X] et [commentaire_*] par les valeurs réelles
-- Ce template est une base — adapter le ton selon le contexte
-- NE JAMAIS inclure de comparaison avec d'autres groupes
-- NE JAMAIS inclure de détails sur la pondération peer-eval (sensible)
-- Les notes sont sur G-drive : `Mon Drive\MyIA\Formation\ECE\ESGF\2025-2026\Notation\`
diff --git a/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/kit-transitoire/01-ML-RandomForest/main.py b/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/kit-transitoire/01-ML-RandomForest/main.py
index 36c15c013..f16aa1aa0 100644
--- a/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/kit-transitoire/01-ML-RandomForest/main.py
+++ b/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/kit-transitoire/01-ML-RandomForest/main.py
@@ -3,9 +3,9 @@
 # endregion
 
 
-class ESGFMLRandomForest(QCAlgorithm):
+class MlRandomForestAlgorithm(QCAlgorithm):
     """
-    ESGF Kit - ML RandomForest Sector Rotation.
+    ML RandomForest Sector Rotation.
 
     Sector ETF rotation using Random Forest classification with walk-forward
     training. Each month the model predicts which sectors will outperform,
diff --git a/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/kit-transitoire/02-ML-XGBoost/main.py b/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/kit-transitoire/02-ML-XGBoost/main.py
index 2659a4877..45cb944aa 100644
--- a/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/kit-transitoire/02-ML-XGBoost/main.py
+++ b/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/kit-transitoire/02-ML-XGBoost/main.py
@@ -3,9 +3,9 @@
 # endregion
 
 
-class ESGFMLXGBoost(QCAlgorithm):
+class MlXgboostAlgorithm(QCAlgorithm):
     """
-    ESGF Kit - ML XGBoost Sector Rotation.
+    ML XGBoost Sector Rotation.
 
     Sector ETF rotation using Gradient Boosting regression with walk-forward
     training. Predicts 20-day forward returns and allocates to sectors with
diff --git a/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/kit-transitoire/03-Framework-Composite/main.py b/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/kit-transitoire/03-Framework-Composite/main.py
index 6a17bd24e..8ffedb312 100644
--- a/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/kit-transitoire/03-Framework-Composite/main.py
+++ b/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/kit-transitoire/03-Framework-Composite/main.py
@@ -182,9 +182,9 @@ def determine_target_percent(self, active_insights):
         return result
 
 
-class ESGFFrameworkComposite(QCAlgorithm):
+class FrameworkCompositeAlgorithm(QCAlgorithm):
     """
-    ESGF Kit - Framework Composite Strategy.
+    Framework Composite Strategy.
 
     Combines three complementary alpha models via QC Algorithm Framework:
     1. SectorMomentum: Long sector ETFs with positive momentum above SMA200
diff --git a/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/kit-transitoire/README.md b/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/kit-transitoire/README.md
index 1685596e1..9b827ab44 100644
--- a/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/kit-transitoire/README.md
+++ b/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/kit-transitoire/README.md
@@ -1,116 +1,104 @@
-# Kit Transitoire ESGF 2026 - Strategies ML & Framework
+# Transition Kit - ML & Framework Strategies
 
-Trois strategies QuantConnect pour la soutenance ESGF (19/05/2026), validees sur backtest cloud 2015-2024.
+Three progressive QuantConnect strategies for sector rotation, validated on cloud backtests (2015-2024).
 
-## Objectif
+## Objective
 
-Fournir 3 approaches progressives de rotation sectorielle :
+Provide 3 progressive approaches to sector rotation:
 
-1. **ML RandomForest** (classification) - Introduction au ML applique
-2. **ML XGBoost** (regression) - Modele plus avance, plus de features
-3. **Framework Composite** (alpha models) - Architecture QC Framework propre
+1. **ML RandomForest** (classification) - Introduction to applied ML
+2. **ML XGBoost** (regression) - Advanced model with more features
+3. **Framework Composite** (alpha models) - Clean QC Framework architecture
 
-Chaque strategie est accompagne d'un notebook de recherche (QuantBook) documentant les iterations et la calibration.
+Each strategy includes a research notebook (QuantBook) documenting iterations and calibration.
 
 ## Strategies
 
 ### 01 - ML RandomForest Sector Rotation
 
-| Parametre | Valeur |
-|-----------|--------|
+| Parameter | Value |
+|-----------|-------|
 | Universe | 9 sector ETFs (XLK..XLRE) |
-| Features | 14 indicateurs techniques |
+| Features | 14 technical indicators |
 | Model | RandomForestClassifier |
 | Trees / Depth | 200 / 6 |
-| Training | 4 ans rolling, monthly retrain |
+| Training | 4-year rolling, monthly retrain |
 | Bear filter | SPY < SMA200 -> max 2 positions |
-| Max positions | 4 (2 en bear) |
+| Max positions | 4 (2 in bear market) |
 | Allocation | 95% |
 
-**Resultat backtest v1** : Sharpe 0.544, CAGR 10.85%, MaxDD 16.3%
-**Resultat backtest v2** : Sharpe 0.286, CAGR 6.73%, MaxDD 26.2% (threshold 0.65 trop eleve)
-**Resultat backtest v3** : Sharpe 0.556, CAGR 11.43%, MaxDD 17.2% (alloc 95%) -- BEST
+**Best backtest** : Sharpe 0.556, CAGR 11.43%, MaxDD 17.2%
 
 ### 02 - ML XGBoost Sector Rotation
 
-| Parametre | Valeur |
-|-----------|--------|
+| Parameter | Value |
+|-----------|-------|
 | Universe | 9 sector ETFs (XLK..XLRE) |
-| Features | 20 indicateurs techniques |
+| Features | 20 technical indicators |
 | Model | GradientBoostingRegressor |
 | Trees / Depth / LR | 100 / 4 / 0.05 |
-| Training | 3 ans rolling, bi-weekly train |
+| Training | 3-year rolling, bi-weekly train |
 | Bear filter | SPY < SMA200 -> max 2 positions |
-| Max positions | 5 (2 en bear) |
+| Max positions | 5 (2 in bear market) |
 | Allocation | 95% |
 
-**Resultat backtest v1** : Sharpe 0.521, CAGR 12.81%, MaxDD 39.1% -- BEST
-**Resultat backtest v2** : Sharpe 0.442, CAGR 11.70%, MaxDD 37.9% (max_pos 4, alloc 95%, threshold 0.01 - pire)
+**Best backtest** : Sharpe 0.521, CAGR 12.81%, MaxDD 39.1%
 
 ### 03 - Framework Composite
 
-| Parametre | Valeur |
-|-----------|--------|
-| Alpha 1 | SectorMomentum (SMA200 + 126j momentum) |
-| Alpha 2 | Defensive (TLT, GLD, XLU quand SPY < SMA200) |
+| Parameter | Value |
+|-----------|-------|
+| Alpha 1 | SectorMomentum (SMA200 + 126d momentum) |
+| Alpha 2 | Defensive (TLT, GLD, XLU when SPY < SMA200) |
 | PCM | MultiStrategyPCM (70% momentum / 30% defensive) |
 | Risk | MaxDrawdownCircuitBreaker (15%) |
 | Execution | ImmediateExecutionModel |
 
-**Resultat backtest v1** : Sharpe 0.376, CAGR 7.60%, MaxDD 20.6%, 2157 orders, Win Rate 80%
+**Best backtest** : Sharpe 0.376, CAGR 7.60%, MaxDD 20.6%, Win Rate 80%
 
 ## Structure
 
 ```
 kit-transitoire/
-├── README.md
-├── 01-ML-RandomForest/
-│   ├── main.py           # Strategie QC Cloud
-│   └── research.ipynb    # Notebook de recherche QuantBook
-├── 02-ML-XGBoost/
-│   ├── main.py
-│   └── research.ipynb
-└── 03-Framework-Composite/
-    ├── main.py
-    └── research.ipynb
+  README.md
+  01-ML-RandomForest/
+    main.py           # QC Cloud strategy
+    research.ipynb    # QuantBook research notebook
+  02-ML-XGBoost/
+    main.py
+    research.ipynb
+  03-Framework-Composite/
+    main.py
+    research.ipynb
 ```
 
 ## Execution
 
-### Backtests QC Cloud
+### QC Cloud Backtests
 
-Chaque `main.py` est executable directement sur QuantConnect Cloud :
-1. Creer un projet QC
-2. Uploader `main.py`
-3. Compiler et lancer le backtest (2015-01-01 a 2024-12-31)
+Each `main.py` runs directly on QuantConnect Cloud:
+1. Create a QC project
+2. Upload `main.py`
+3. Compile and run backtest (2015-01-01 to 2024-12-31)
 
-### Notebooks de recherche
+### Research Notebooks
 
-Les notebooks `research.ipynb` utilisent `QuantBook` et necessitent l'environnement QC Lab :
-1. Ouvrir le projet dans QC Lab
-2. Creer un notebook dans le projet
-3. Copier le contenu du research.ipynb
-4. Executer cellule par cellule
+The `research.ipynb` notebooks use `QuantBook` and require the QC Lab environment:
+1. Open the project in QC Lab
+2. Create a notebook in the project
+3. Copy the content from research.ipynb
+4. Execute cell by cell
 
-## Comparaison des approaches
+## Comparison
 
 | Aspect | RandomForest | XGBoost | Framework |
 |--------|-------------|---------|-----------|
 | Type | Classification | Regression | Alpha Models |
-| Features | 14 | 20 | Indicateurs simples |
-| Complexite | Moyenne | Moyenne | Elevee (architecture) |
-| Retrain | Monthly | Bi-weekly | N/A (sans ML) |
-| Positions max | 4 (2 en bear) | 4 (2 en bear) | Dynamique |
-| Apprentissage | Entrainement modele | Entrainement modele | Regles expertes |
-| Sharpe | 0.556 (v3) | 0.521 (v1) | 0.376 (v1) |
-| CAGR | 11.43% (v3) | 12.81% (v1) | 7.60% (v1) |
-| MaxDD | 17.2% (v3) | 39.1% (v1) | 20.6% (v1) |
-
-## Calibration pour la soutenance
-
-Pour chaque strategie, le notebook de recherche documente :
-- L'exploration des donnees sectorielles
-- Le feature engineering et l'analyse d'importance
-- 2 iterations de calibration avec metriques comparatives
-- La correspondence research -> main.py
-- Les pistes d'amelioration pour iteration N+1
+| Features | 14 | 20 | Simple indicators |
+| Complexity | Medium | Medium | High (architecture) |
+| Retrain | Monthly | Bi-weekly | N/A (no ML) |
+| Max positions | 4 (2 in bear) | 4 (2 in bear) | Dynamic |
+| Learning | Model training | Model training | Expert rules |
+| Sharpe | 0.556 | 0.521 | 0.376 |
+| CAGR | 11.43% | 12.81% | 7.60% |
+| MaxDD | 17.2% | 39.1% | 20.6% |
diff --git a/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/templates/starter/README.md b/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/templates/starter/README.md
index 5a111f419..d17a564e0 100644
--- a/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/templates/starter/README.md
+++ b/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/templates/starter/README.md
@@ -13,7 +13,7 @@ Le backtest couvre la periode du 1er janvier 2023 au 31 decembre 2024, avec un c
 ## Utilisation
 
 1. Connectez-vous a [QuantConnect](https://www.quantconnect.com/)
-2. Creez un nouveau projet Python dans l'organisation **Trading Firm ESGF**
+2. Create a new Python project in your course organization
 3. Copiez le contenu de `main.py` dans le fichier principal du projet
 4. Lancez un backtest pour observer les resultats
 5. Analysez les metriques : Sharpe Ratio, drawdown, nombre de trades
diff --git a/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/templates/student-presentation/README.md b/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/templates/student-presentation/README.md
index 4f2ddc27d..547e7ead1 100644
--- a/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/templates/student-presentation/README.md
+++ b/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/templates/student-presentation/README.md
@@ -1,39 +1,39 @@
-# Template Presentation Soutenance ESGF
+# Student Presentation Template
 
-## Utilisation
+## Usage
 
-1. Copier `slides.md` dans votre repertoire de projet
-2. Remplacer les sections `[entre crochets]` avec votre contenu
-3. Ajouter vos graphiques (equity_curve.png, etc.) dans le meme repertoire
-4. Lancer la presentation :
+1. Copy `slides.md` into your project directory
+2. Replace `[bracketed sections]` with your content
+3. Add your charts (equity_curve.png, etc.) in the same directory
+4. Launch the presentation:
 
 ```bash
 npx slidev slides.md
 ```
 
-## Sections obligatoires
+## Required Sections
 
-| Slide | Section | Contenu attendu |
+| Slide | Section | Expected Content |
 |-------|---------|-----------------|
-| 1 | Titre | Nom strategie, equipe |
-| 2 | Plan | Sommaire |
-| 3 | Introduction | Motivation, hypothese |
-| 4 | Donnees | Actifs, periode, preprocessing |
-| 5 | Modele alpha | Indicateurs, signaux, risk management |
-| 6-7 | Resultats | Equity curve + metriques |
-| 8 | Analyse | Points forts/faibles, vs benchmark |
-| 9 | Robustesse | Sous-periodes, sensibilite |
-| 10 | Conclusion | Bilan,改进 |
+| 1 | Title | Strategy name, team |
+| 2 | Outline | Table of contents |
+| 3 | Introduction | Motivation, hypothesis |
+| 4 | Data | Assets, period, preprocessing |
+| 5 | Alpha model | Indicators, signals, risk management |
+| 6-7 | Results | Equity curve + metrics |
+| 8 | Analysis | Strengths/weaknesses, vs benchmark |
+| 9 | Robustness | Sub-periods, sensitivity |
+| 10 | Conclusion | Summary, improvements |
 
 ## Timing
 
-- Objectif : 10 minutes +/- 1 minute
-- ~1 minute par slide (10 slides de contenu)
-- Ne pas lire les slides : utiliser des mots-cles et parler
+- Target: 10 minutes +/- 1 minute
+- ~1 minute per slide (10 content slides)
+- Do not read slides: use keywords and speak naturally
 
-## Conseils
+## Tips
 
-- Graphiques : toujours avec legende, axes labels, et titre
-- Metriques : tableau comparatif avec benchmark
-- Equity curve : avec drawdown en dessous
-- Ne pas montrer de code dans les slides (sauf snippet court pour illustration)
+- Charts: always with legend, axis labels, and title
+- Metrics: comparative table with benchmark
+- Equity curve: with drawdown below
+- Do not show code in slides (except short snippet for illustration)
diff --git a/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/templates/student-presentation/slides.md b/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/templates/student-presentation/slides.md
index bfac448fe..ccab014c9 100644
--- a/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/templates/student-presentation/slides.md
+++ b/MyIA.AI.Notebooks/QuantConnect/partner-course-quant-trading/templates/student-presentation/slides.md
@@ -1,9 +1,9 @@
 ---
 theme: default
-title: Template Soutenance ESGF 2026
+title: Strategy Presentation Template
 info: |
-  Template de presentation pour la soutenance ESGF QuantConnect.
-  Remplacer les sections entre [crochets] avec votre contenu.
+  Presentation template for QuantConnect strategy defense.
+  Replace [bracketed sections] with your content.
 class: text-center
 drawings:
   persist: false
@@ -13,7 +13,7 @@ mdc: true
 
 # [Nom de Votre Strategie]
 
-Soutenance ESGF QuantConnect - 19 mai 2026
+QuantConnect Strategy Presentation
 
 **Equipe** : [Prenom Nom, Prenom Nom]
 **Projet** : [Nom du projet QC]
diff --git a/MyIA.AI.Notebooks/QuantConnect/projects/HAR-RV-J-Kelly/main.py b/MyIA.AI.Notebooks/QuantConnect/projects/HAR-RV-J-Kelly/main.py
index de2c7c186..12090a3a8 100644
--- a/MyIA.AI.Notebooks/QuantConnect/projects/HAR-RV-J-Kelly/main.py
+++ b/MyIA.AI.Notebooks/QuantConnect/projects/HAR-RV-J-Kelly/main.py
@@ -5,7 +5,7 @@
 from collections import deque
 
 
-class ESGFHARRVJKelly(QCAlgorithm):
+class HarrvjKellyAlgorithm(QCAlgorithm):
     """HAR-RV-J / HAR Classic Kelly strategy on crypto assets.
 
     Extends HAR (Corsi 2009) with optional jump component from
diff --git a/MyIA.AI.Notebooks/QuantConnect/projects/HAR-RV-Kelly/main.py b/MyIA.AI.Notebooks/QuantConnect/projects/HAR-RV-Kelly/main.py
index 8d703d03f..572156cf9 100644
--- a/MyIA.AI.Notebooks/QuantConnect/projects/HAR-RV-Kelly/main.py
+++ b/MyIA.AI.Notebooks/QuantConnect/projects/HAR-RV-Kelly/main.py
@@ -5,7 +5,7 @@
 from collections import deque
 
 
-class ESGFHARRVKelly(QCAlgorithm):
+class HarrvKellyAlgorithm(QCAlgorithm):
     """HAR-RV Kelly 1/4 strategy on a multi-asset portfolio.
 
     Uses the Heterogeneous Autoregressive (HAR) model of Corsi (2009)
diff --git a/MyIA.AI.Notebooks/QuantConnect/projects/RegimeSwitching/main.py b/MyIA.AI.Notebooks/QuantConnect/projects/RegimeSwitching/main.py
index c24b00525..d6a759b87 100644
--- a/MyIA.AI.Notebooks/QuantConnect/projects/RegimeSwitching/main.py
+++ b/MyIA.AI.Notebooks/QuantConnect/projects/RegimeSwitching/main.py
@@ -23,7 +23,7 @@ class RegimeSwitching(QCAlgorithm):
     - Trailing stop-loss -10% on equity positions
     - Reduced equity in sideways (30% vs 40%)
 
-    Source: ECE student concepts (Maisonnave, Gr01 H.4b), adapted for ESGF pool.
+    Source: ECE student concepts (Maisonnave, Gr01 H.4b), adapted for partner course.
     Issue #238 - Integrate ECE student concepts into QC strategies.
 
     Universe: SPY, QQQ, IEF, GLD
diff --git a/MyIA.AI.Notebooks/QuantConnect/projects/Vol-Ensemble-Conservative/main.py b/MyIA.AI.Notebooks/QuantConnect/projects/Vol-Ensemble-Conservative/main.py
index aeaebde36..945d5fcf7 100644
--- a/MyIA.AI.Notebooks/QuantConnect/projects/Vol-Ensemble-Conservative/main.py
+++ b/MyIA.AI.Notebooks/QuantConnect/projects/Vol-Ensemble-Conservative/main.py
@@ -5,7 +5,7 @@
 from collections import deque
 
 
-class ESGFVolEnsembleConservative(QCAlgorithm):
+class VolEnsembleConservativeAlgorithm(QCAlgorithm):
     """Ensemble GARCH + HAR vol forecast with conservative position sizing.
 
     Combines GARCH(1,1) and HAR(1,5,22) volatility forecasts as an
@@ -16,7 +16,7 @@ class ESGFVolEnsembleConservative(QCAlgorithm):
       - Bull regime (SPY > SMA200): full allocation
       - Bear regime (SPY < SMA200): reduce to 50% allocation
 
-    This is the most conservative of the 3 ESGF strategies.
+    This is the most conservative of the 3 volatility strategies.
     Assets: SPY, EFA, EEM, TLT, GLD, DBC.
     """
 
diff --git a/MyIA.AI.Notebooks/QuantConnect/projects/Vol-GARCH-Target/main.py b/MyIA.AI.Notebooks/QuantConnect/projects/Vol-GARCH-Target/main.py
index 77678a9de..6936417d7 100644
--- a/MyIA.AI.Notebooks/QuantConnect/projects/Vol-GARCH-Target/main.py
+++ b/MyIA.AI.Notebooks/QuantConnect/projects/Vol-GARCH-Target/main.py
@@ -5,7 +5,7 @@
 from collections import deque
 
 
-class ESGFGARCHVolTarget(QCAlgorithm):
+class GarchVolTargetAlgorithm(QCAlgorithm):
     """GARCH(1,1) volatility targeting on a multi-asset portfolio.
 
     Forecasts next-day variance using a rolling GARCH(1,1) model fitted